Simulazione a eventi discreti e deep reinforcement learning per il miglioramento del flusso dei pazienti in pronto soccorso

Il sovraffollamento dei Pronto Soccorso (PS) rappresenta una delle principali e più studiate criticità nei sistemi sanitari. Comporta spesso tempi di attesa prolungati, disagio per i pazienti e un potenziale peggioramento delle condizioni cliniche, oltre a un aumento dello stress per il personale. Questo stress può inoltre influenzare negativamente la capacità decisionale, aggravando ulteriormente le inefficienze nella gestione dei pazienti. Sebbene i limiti strutturali e l’aumento della domanda di servizi costituiscano sfide rilevanti, essi evidenziano anche la necessità di sistemi avanzati di supporto alle decisioni, capaci di fornire risposte adattive in tempo reale.

In questo lavoro proponiamo un approccio basato sul Deep Reinforcement Learning (DRL) per una gestione dinamica delle priorità dei pazienti, con l’obiettivo di mitigare il sovraffollamento, ottimizzando l’allocazione delle risorse. Il PS viene modellato come un ambiente decisionale sequenziale, in cui le decisioni a un certo istante impattano non solo sull’evoluzione del sistema nell’immediato, ma anche sulle sue condizioni future. Il nostro modello impara come assegnare le priorità ai pazienti sulla base delle loro caratteristiche cliniche e delle previste esigenze in termini di risorse, considerando al contempo lo stato complessivo del sistema. Ciò consente lo sviluppo di strategie intelligenti per la gestione delle code, capaci di adattarsi a condizioni dinamiche e a flussi eterogenei di pazienti.

Il modello viene addestrato e valutato in un ambiente di Simulazione a Eventi Discreti, che riproduce in modo realistico le dinamiche del PS e la variabilità dei percorsi dei pazienti. Le performance del modello addestrato vengono confrontate con quelle ottenute con le politiche attuali per la gestione delle priorità, replicandole all’interno dell’ambiente simulato. I risultati preliminari, quando il sistema è guidato dai suggerimenti del modello addestrato, mostrano una riduzione sia nella durata della permanenza sia nel numero medio di pazienti nel sistema, dimostrando il potenziale del DRL nel supportare le decisioni operative e migliorare le prestazioni dei PS in condizioni di stress.